electricsheepeurope/europe-ilo-eip-teip-sex-age-mts-nb-persons-outside-the-labour-force-by-sex-age-and-ma

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的其他劳动力未充分利用指标数据，具体主题为按性别、年龄和婚姻状况划分的非劳动力人口（千人）。数据集覆盖39个欧洲国家，时间跨度为1983年至2025年，包含221,543个观测值，聚焦于一个核心指标：EIP_TEIP_SEX_AGE_MTS_NB（按性别、年龄和婚姻状况划分的非劳动力人口，单位：千人）。数据通过ILOSTAT REST API获取，并过滤为欧洲国家代码，经过ILO基于国际劳工统计学家会议（ICLS）定义进行标准化处理。数据集包含多个字段，如国家代码（ref_area）、年份（time）、观测值（obs_value）、性别（sex）、年龄分类（classif1）、婚姻状况分类（classif2）等，支持按国家、时间序列或矩阵形式进行分析。数据为年度频率，并包含数据质量注释（如来源标志和观测状态）。该数据集由Electric Sheep Europe重新打包，旨在为欧洲提供统一的、适合机器学习的数据层，采用CC-BY-4.0许可。license: 知识共享署名4.0（CC-BY-4.0） language: - en task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 100K<n<1M tags: - 表格数据 - 欧洲 - ILOSTAT - 其他劳动力利用不足衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别、年龄和婚姻状况划分的非劳动力人口（千人）| 欧洲（ILOSTAT）" --- # 按性别、年龄和婚姻状况划分的非劳动力人口（千人）| 欧洲（ILOSTAT） 🇪🇺 **221,543 条观测值** · **39 个欧洲国家** · **1983–2025** · *由 [Electric Sheep Europe](https://huggingface.co/electricsheepeurope) 重新整理发布*      ## 核心摘要 本数据集包含覆盖39个欧洲国家、时间跨度为1983至2025年的**221,543条劳动力利用不足相关指标观测数据**，仅包含**1个独立指标**。 ## 数据源说明 **ILOSTAT** 是国际劳工组织（International Labour Organization, ILO）的核心统计数据库，是全球领先的劳动力统计权威来源。其收录的指标涵盖就业、失业、薪资、工作时长、童工、非正规经济、社会保障、职业伤害以及可持续发展目标（SDG）体面工作目标等领域，数据源自全国劳动力调查、家庭收入调查、企业调查及行政记录。该数据库覆盖200余个经济体，由国际劳工组织统计部门负责数据的标准化处理。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_AGE_MTS_NB) - **发布方**：国际劳工组织（ILO） - **许可协议**：[CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：其他劳动力利用不足衡量指标 ## 数据处理方法 本数据集直接从ILOSTAT的REST API接口 `https://rplumber.ilo.org/data/indicator?id=EIP_TEIP_SEX_AGE_MTS_NB` 拉取原始数据，并筛选出欧洲地区的ISO 3166-1阿尔法-3国家编码对应的数据。ILOSTAT依据国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）的定义对原始调查微观数据进行标准化处理；数据来源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 39个欧洲国家 · 以下为按观测条数排序的前13个国家及剩余24国概览： | 国家代码 | 观测条数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `CHE` | 14,211 | 1991 | 2025 | | `CZE` | 11,789 | 1993 | 2024 | | `GBR` | 11,737 | 1983 | 2025 | | `MDA` | 10,426 | 2000 | 2025 | | `POL` | 10,081 | 1997 | 2025 | | `AUT` | 9,246 | 1995 | 2025 | | `MKD` | 8,510 | 2005 | 2025 | | `FRA` | 8,295 | 2005 | 2024 | | `ALB` | 7,325 | 2002 | 2024 | | `RUS` | 6,901 | 2010 | 2025 | | `BIH` | 6,859 | 2001 | 2020 | | `IRL` | 6,821 | 1983 | 2023 | | `ESP` | 6,814 | 1986 | 2025 | | `ITA` | 6,048 | 1983 | 2024 | | `LUX` | 5,653 | 1983 | 2020 | | ... | _其余24个国家_ | | | ## 指标（示例） - `EIP_TEIP_SEX_AGE_MTS_NB` — 按性别、年龄和婚姻状况划分的非劳动力人口（千人） ## 数据Schema | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1阿尔法-3国家代码 | `ALB` | | `ref_area.label` | `string` | 英文国家名称 | `Albania` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:480` | | `source.label` | `string` | 英文数据源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT指标代码 | `EIP_TEIP_SEX_AGE_MTS_NB` | | `indicator.label` | `string` | 英文指标名称 | `Persons outside the labour force by s…` | | `sex` | `string` | 性别细分维度（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 无额外说明 | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | 无额外说明 | `Age (Youth, adults): 15+` | | `classif2` | `string` | 可选第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | 无额外说明 | `Marital status (Aggregate): Total` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位参见指标定义） | `738.429` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 无额外说明 | `Unreliable` | | `note_classif` | `string` | 无额外说明 | `C6:1688` | | `note_classif.label` | `string` | 无额外说明 | `Nonstandard age group: Excluding ages…` | | `note_indicator` | `string` | 无额外说明 | `I11:264` | | `note_indicator.label` | `string` | 无额外说明 | `Break in series: Methodology revised` | | `note_source` | `string` | 无额外说明 | `R1:3513` | | `note_source.label` | `string` | 无额外说明 | `Repository: ILO-STATISTICS - Micro da…` | ## 细分维度 以下字段用于数据细分： - **`sex`**（共3个唯一值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集为年度频率数据，部分指标同时提供月度或季度序列，但未包含在此数据集中。 - 当同一国家×年份的同一指标存在多个数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才会填充非空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-eip-teip-sex-age-mts-nb-persons-outside-the-labour-force-by-sex-age-and-ma") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EIP_TEIP_SEX_AGE_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_TEIP_SEX_AGE_MTS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_TEIP_SEX_AGE_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_eip_teip_sex_age_mts_nb_persons_outside_the_labour_force_by_sex_age_and_ma_2025, title = {Persons outside the labour force by sex, age and marital status (thousands) | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_AGE_MTS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-eip-teip-sex-age-mts-nb-persons-outside-the-labour-force-by-sex-age-and-ma}} } ## 许可协议 本数据集采用[CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。 原始数据版权归国际劳工组织（ILO）所有。使用本数据集时，请同时引用上述原始数据源及Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep团队 Electric Sheep Europe是Electric Sheep计划的组成部分，该计划旨在为HuggingFace平台上的欧洲数据提供统一、适配机器学习的标准化数据层。我们从权威开源数据源获取数据，对Schema进行标准化处理，打包为Parquet格式，并发布为格式统一的数据集卡片，以便研究人员和开发者可通过`load_dataset()`函数在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026年5月27日通过Electric Sheep流水线摄取。原始数据源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_AGE_MTS_NB_

搜集汇总

数据集介绍

构建方式

该数据集源自国际劳工组织（ILO）的核心统计数据库ILOSTAT，通过其REST API直接获取指标代码为EIP_TEIP_SEX_AGE_MTS_NB的原始数据，并经Electric Sheep Europe团队重新封装。数据筛选范围为欧洲39个国家的ISO 3166-1 alpha-3代码区域，涵盖了1983年至2025年间关于劳动力市场以外人口（按性别、年龄与婚姻状况划分）的观测值，总计221,543条记录。ILOSTAT依据国际劳工统计学家会议（ICLS）的定义对各国劳动力调查、家庭收支调查及行政记录等微观数据进行统一协调与标准化处理，确保跨国家与跨时期的指标可比性。所有原始来源均在source.label字段中明确标注，以保障数据的可追溯性。

使用方法

用户可通过HuggingFace Datasets库轻松加载数据，仅需一行Python代码即可将整个数据集转换为Pandas DataFrame，便于进行后续分析与建模。典型应用包括按国家筛选（如df[df['ref_area'] == 'DEU']）以聚焦单一地理单元，或利用时间列对特定指标进行时序可视化与趋势分析。同时，数据集支持通过透视表操作构建国家×年份的矩阵结构，便于跨国家面板数据分析。对于机器学习的回归或分类任务，用户可直接利用obs_value作为目标变量，并以sex、classif1、classif2等分类字段作为特征，开展劳动力市场边缘化群体的预测建模。

背景与挑战

背景概述

在全球劳动力市场研究中，劳动力边缘群体（如因家庭责任、教育或健康原因退出劳动市场的人群）是衡量社会经济韧性与包容性的关键指标。该数据集由国际劳工组织（ILO）于2025年通过其ILOSTAT数据库整理，并由Electric Sheep Europe重新封装发布，聚焦欧洲39个国家1983年至2025年间按性别、年龄及婚姻状况划分的劳动力外群体人数（单位：千人）。其核心研究问题在于揭示劳动力未充分利用的隐性结构，尤其关注人口统计特征如何影响就业参与决策。该数据集依托ILO对各国劳动力调查的统一标准化处理，为跨国家、长时序的劳动力市场分析提供了可靠基础，对评估欧洲地区社会政策有效性及性别平等议题具有重要影响力。

当前挑战

该数据集所应对的领域挑战在于，传统失业率指标往往掩盖了因结构性歧视、照护责任或制度障碍而完全退出劳动力市场的群体规模，量化这些“隐性闲置”劳动力对于精准制定就业促进政策至关重要。构建过程中面临的核心挑战包括：跨39个国家、逾40年数据源的多样性导致定义与统计口径差异，ILO需借助国际劳工统计学家会议（ICLS）标准进行协调；部分年份数据存在方法修订造成的序列断裂（如break in series标记），需在分析中谨慎处理；数据质量标记（如不可靠观测值U）要求使用者具备过滤噪声的能力；分类维度（如年龄分组、婚姻状况聚合）的非一致性要求精细化的数据清洗与特征工程。

常用场景

经典使用场景

该数据集为欧洲劳动力市场研究者提供了跨越39个国家、涵盖1983年至2025年间的面板数据，核心指标聚焦于按性别、年龄和婚姻状况分层统计的劳动力市场之外的群体规模。经典使用场景包括利用该时间序列数据进行劳动参与率的趋势分析，通过构建固定效应或随机效应模型，探究结构性因素如人口老龄化、性别角色变迁及婚姻形态演变对劳动力退出行为的影响。研究者能够运用差分法或断点回归，识别政策改革或经济冲击（如金融危机、疫情封锁）对非劳动力群体的动态冲击，从而为欧洲各国劳动力市场的结构性转型提供量化证据。

解决学术问题

该数据集系统性地解决了劳动力市场研究中关于隐性失业与边缘化群体的测量难题，尤其聚焦于那些被传统失业指标所忽视的非劳动力人群。通过提供长达四十二年的跨国标准化数据，学者得以深入剖析性别差异与婚姻状况如何相互作用，塑造个体从劳动力市场退出的路径与时机。这一数据资源极大地推进了对欧洲劳动力市场包容性程度、社会保障体系效能以及家庭结构变迁的实证研究，为评估欧洲一体化进程中劳动力流动与福利制度的协同演进奠定了坚实基础，具有深远的学术方法论意义。

实际应用

在实际应用层面，该数据集为国际劳工组织及各欧洲国家统计部门提供了基准化劳动力市场监测工具，支持定期生成关于劳动力利用不足的官方报告。政策制定者能够利用该数据实时追踪非劳动力群体的构成变化，特别是在不同性别和年龄段人群中的分布，从而精准设计针对性的再就业培训计划与社会保护措施。金融机构与经济智库亦借助该数据集进行欧洲劳动力供给预测与宏观经济风险评估，为投资决策与产业政策调整提供数据驱动的洞察。

数据集最近研究

最新研究方向

在劳动经济学与人口统计学的前沿交叉地带，该数据集为探究欧洲劳动力市场非活跃人口的动态演变提供了关键支撑。当前研究聚焦于量化性别、年龄与婚姻状况如何交织塑造个体退出劳动力市场的路径，尤其是结合后疫情时代‘大辞职’与‘安静辞职’等热点现象，解析非活跃人口结构的深层变迁。通过覆盖39个欧洲国家跨越四十余年的观测，学者得以构建多维度的时间序列模型，揭示经济周期、社会保障政策与家庭结构变动对潜在劳动力的挤出效应。该数据的标准化架构与ILO官方统计的无缝衔接，更推动着跨国比较研究走向精细化，为预测未来劳动力供给缺口及制定包容性就业政策注入了实证引擎。